Wie zu Punkt-basierte kollaborative Filter in Predictive Analysis verwenden
Einer von Empfehlungssystemen Amazon für Anwendungen prädiktive Analyse item-basierte Collaborative Filtering - einen großen Bestand an Produkten aus der Firmendatenbank austeilte, wenn ein Benutzer ein einzelnes Element auf der Website anzeigt. Sie wissen, dass Sie an einem Punkt-basierte kollaborative Filtersystem suchen (oder oft, ein Content-basiertes System), wenn es Sie Empfehlungen an Ihren ersten Artikel Ansicht zeigt, auch wenn Sie kein Profil erstellt haben.
Sieht aus wie Magie, aber es ist nicht. Obwohl Ihr Profil wurde noch nicht erstellt worden ist (weil Sie nicht eingeloggt sind, oder Sie haben keine vorherigen Browser Geschichte auf dieser Website) übernimmt das System, was zu einer Vermutung beträgt: Es hat seine Empfehlung stützt Der Artikel selbst und was andere Kunden gesehen oder gekauft nach (oder vor) gekauft sie diesen Artikel. So werden Sie einige Meldung auf dem Bildschirm sehen, wie
Kunden, die diesen Artikel kauften, kauften auch . . .
Kunden, die Artikel im jüngsten Geschichte haben auch gekauft. . .
Welche anderen Artikel kaufen Kunden nach diesen Artikel angesehen haben?
Im Wesentlichen wird die Empfehlung basiert auf, wie ähnlich der aktuell angezeigten Artikel auf andere Elemente, bezogen auf die Aktionen der Gemeinschaft von Nutzern.
Im Folgenden wird eine Probenmatrix von Kunden und die Gegenstände, die sie gekauft haben. Es wird als ein Beispiel für Punkt-basierte kollaborative Filtern verwendet werden.
| Kunde | Gegenstand 1 | Punkt 2 | Punkt 3 | Punkt 4 | Punkt 5 | Punkt 6 |
|---|---|---|---|---|---|---|
| EIN | X | X | X | |||
| B | X | X | ||||
| C | X | X | ||||
| D | X | X | X | |||
| E | X | X | ||||
| F | X | X | X | X | ||
| G | X | X | ||||
| H | X | |||||
| ich | X |
Lassen Sie uns jetzt auf Positions Ähnlichkeit sehen die Kosinusähnlichkeit Formel berechnet. Die Formel für Kosinusähnlichkeit ist ein middot- B) / (|| A || || || B), wobei A und B sind Elemente zu vergleichen. Zum Lesen Sie das folgende Beispiel und finden Sie heraus, wie ähnlich zwei Elemente sind, nur um die Zelle zu lokalisieren, wo die beiden Elemente schneiden. Die Zahl wird zwischen 0 und 1. Ein Wert von 1 bedeutet, dass die Elemente perfekt ähnlich- sind 0 bedeutet, dass sie nicht ähnlich sind.
| Punkt 6 | 0 | 0 | 0 | 0 | 0 |
| Punkt 5 | 0,26 | 0,29 | 0,52 | 0,82 | 0 |
| Punkt 4 | 0.32 | 0,35 | 0.32 | 0,82 | 0 |
| Punkt 3 | 0,40 | 0,45 | 0.32 | 0,52 | 0 |
| Punkt 2 | 0,67 | 0,45 | 0,35 | 0,29 | 0 |
| Gegenstand 1 | 0,67 | 0,40 | 0.32 | 0,26 | 0 |
| Gegenstand 1 | Punkt 2 | Punkt 3 | Punkt 4 | Punkt 5 | Punkt 6 |
Das System kann eine Liste von Empfehlungen zur Verfügung stellen, die über einem bestimmten Ähnlichkeitswert sind oder die oben empfehlen n Anzahl der Teile. In diesem Szenario können Sie sagen, dass jeder Wert von größer oder gleich 0,40, das System wird ähnlich- werden diese Elemente zu empfehlen.
Zum Beispiel ist die Ähnlichkeit zwischen Punkt 1 und Punkt 2 0,67. Die Ähnlichkeit zwischen Punkt 2 und Punkt 1 ist die gleiche. Somit ist es ein Spiegelbild über die Diagonale von der unteren linken zu der oberen rechten Seite. Sie können auch sehen, dass Artikel 6 zu anderen Gegenständen ähnlich ist, weil es einen Wert von 0 hat.
Diese Implementierung eines Artikels basierte Empfehlungssystem wird vereinfacht, um darzustellen, wie es funktioniert. Der Einfachheit halber verwenden nur ein Kriterium Element Ähnlichkeit zu bestimmen: ob der Benutzer den Artikel gekauft. Komplexere Systeme könnte mehr ins Detail gehen durch
Die Verwendung von Profilen von anderen Nutzern, die ihren Geschmack darstellen
Factoring in wieviel s Benutzer mag (oder sehr Raten) ein Element
Mit einem Gewicht, wie viele Elemente der Benutzer erworben haben, die mit dem empfohlenen Artikel Potenzial ähnlich sind (s)
Machen Annahmen darüber, ob ein Benutzer ein Element mag auf der Basis, ob der Benutzer einfach die Artikel angesehen hat, obwohl kein Kauf getätigt wurde
Hier sind zwei gängige Möglichkeiten, wie Sie dieses Empfehlungssystem verwenden:
Offline-über eine E-Mail-Marketing-Kampagne oder wenn der Benutzer auf der Website ist, während angemeldet.
Das System könnte Marketing Anzeigen oder machen diese Empfehlungen auf der Website senden:
Punkt 3 zu Kunde B
Empfohlen, da Kunde B Artikel gekauft 1 und 2, und beide Elemente sind ähnlich zu Punkt 3.
Punkt 4, dann Punkt 2, an den Kunden C
Empfohlen, da Kunde C Artikel gekauft 3 und 5. Punkt 5 ist ähnlich zu Punkt 4 (Ähnlichkeitswert: 0,82). Punkt 2 ist ähnlich zu Punkt 3 (Ähnlichkeitswert: 0,45).
Artikel 2 bis Kunde D
Empfohlen, da Kunden D Artikel gekauft 3, 4 und 5. Artikel 3 ist ähnlich zu Punkt 2.
Artikel 1 bis Kunde E
Empfohlen, da Kunden E gekaufte Artikel 2 und 3, die beide auf 1 Artikel ähnlich sind.
Punkt 3 an den Kunden F
Empfohlen, da Kunden F Artikel gekauft 1, 2, 4 und 5. Artikel 1, 2 und 5 sind ähnlich Punkt 3.
Artikel 2 an den Kunden G
Empfohlen, da Kunden G Artikel gekauft 1 und 3. Sie beide 2 Artikel ähnlich sind.
Punkt 2, dann Punkt 3, an den Kunden H
Empfohlen, da Kunden H gekauft Punkt 1. Punkt 1 ist ähnlich wie Artikel 2 und 3.
Nicht bestimmt Artikel an den Kunden A
Idealerweise sollten Sie viel mehr Einzelteile und Benutzer haben. Und es sollten einige Elemente, die ein Kunde gekauft hat, die auf andere Elemente ähnlich sind, die er oder sie noch nicht gekauft hat.
Nicht bestimmt Artikel an den Kunden I
In diesem Fall sind die Daten nicht ausreichend als Grundlage einer Empfehlung zu dienen. Dies ist ein Beispiel für die Kaltstartproblem.
Online über eine Seitenansicht, während der Benutzer nicht angemeldet ist.